서비스 배경 및 목표 🚀 - 배경: 음식의 종류는 매우 다양하고, 일일이 음식의 칼로리를 검색하여 칼로리를 계산하는 것은 꽤나 번거로운 작업이다. 다이어트를 하는 데 있어서, 번거러움이 커지면 다이어트를 포기할 가능성이 높아진다는 것도 배제할 수 없다. 이를 딥러닝 기술을 이용하여 이미지로 부터 음식의 칼로리를 제시한다면, 사용자의 피로를 줄일 수 있을 것이다.
- 목표: 딥러닝 인공지능 모델을 이용하여, 객체 인식을 하고, 인식된 정보와 ai hub에서 제공된 음식별 표준 칼로리 정보를 이용하여, 사진에 나타난 음식의 칼로리를 계산한다. 음식 클래스를 모델로 부터 획득, 표준 음식 칼로리 정보를 이용하여 (ai hub로 부터 획득) 이미지로 부터 획득한 정보를 바탕으로 사진에 나타난 음식의 칼로리를 예측한다.
+(추가 고려사항) ChatGPT api를 이용하여, 앞서 얻은 총 칼로리 정보와 사용자의 추가적인 정보(키, 몸무게, 운동량, …)을 query로 보내어, 사용자별 recommendation을 획득하여, personal care service를 제공한다.
인공지능 유사 사례 분석 🔎 1. 기존 어플리케이션 - 다이어트 카메라 AI : 사진을 찍으면, 찍은 사진을 바탕으로 칼로리 계산을 한다. 매 끼니마다 일일이 칼로리를 적지 않아도 사진 한 장으로 칼로리를 추정 및 기록을 자동으로 해준다. 이러한 정보를 바탕으로 개인에게 맞는 식단을 추천해준다.
2. 특허 - 딥러닝 알고리즘을 이용한, 사물 인식을 사용하여 칼로리 측정 및 소비를 위한 O2O 방식의 칼로리 관리 시스템
인공지능 모델의 입출력 📄 - 입력: 음식의 이미지 - 출력: 이미지의 대표 음식 class
레이블의 이름(ex sosiji, sosijigu-i, …)은, 제공되는 데이터셋의 json파일에 있습니다. 위의 class에 해당하는 num으로 이미지를 classify 하시면 됩니다.🪄 해당 클래스는, baseline에서 제공되는 Food.yaml에서도 확인할 수 있습니다.
데이터셋 구축 방안 AIHub 후처리하는 코드 제공 (학습셋, 시험셋 - 랜덤시드 고정)
🐬 Tip) 제공되는 data_perser.ipynb 파일을 통해, 데이터셋을 구축할 수 있습니다. 얻어진 데이터셋을 따로 parsing을 하셔서, 자신의 모델에 맞게 사용하시면 됩니다.
서비스 구축 계획 및 사용 시나리오 웹-앱 어플리케이션을 통해 모바일 환경에서 img 찍어서 서버로 전송. 서버에서, 모델 추론 → 프론트로 추론 결과 전송 → 요약 후 사용자에게 제시
서비스 기대효과 1. 간편한 식단 관리가 가능해진다. 2. ChatGPT API를 이용하여, 유저 별 추천 사항을 주어, personal recommendation 가능 => 비싼 PT를 대체, 비용 절감. 3. 웹-앱 어플리케이션으로 만들어, 사용자 접근이 용이할 것이다
